DeepSeek近日發(fā)布論文，闡述了一種更為高效的人工智能開發(fā)方法。該論文由創(chuàng)始人梁文鋒參與撰寫，提出了名為“流形約束超連接”（mHC）的框架。作者稱，該框架旨在提升可擴(kuò)展性，同時降低訓(xùn)練先進(jìn)人工智能系統(tǒng)的算力和能源需求。DeepSeek下一代旗艦系統(tǒng)R2預(yù)計將在2月份春節(jié)前后問世。
DeepSeek提出mHC新架構(gòu)
1月1日消息，DeepSeek發(fā)布了一篇新論文，提出了一種名為mHC（流形約束超連接）的新架構(gòu)。
該研究旨在解決傳統(tǒng)超連接在大規(guī)模模型訓(xùn)練中的不穩(wěn)定性問題，同時保持其顯著的性能增益。
這篇論文的第一作者有三位：Zhenda Xie（解振達(dá)）、Yixuan Wei（韋毅軒）、Huanqi Cao。值得注意的是，DeepSeek創(chuàng)始人梁文鋒也在作者名單中。
論文摘要指出，近來，以超連接（HC）為代表的研究通過拓寬殘差流寬度和多樣化連接模式，拓展了過去十年間確立的普遍采用的殘差連接范式。雖然這些改進(jìn)帶來了顯著的性能提升，但連接模式的多樣化從根本上削弱了殘差連接固有的恒等映射特性，導(dǎo)致嚴(yán)重的訓(xùn)練不穩(wěn)定性與受限的可擴(kuò)展性，同時還造成了顯著的內(nèi)存訪問開銷。
為了解決這些問題，DeepSeek提出了流形約束超連接（mHC）——一種通用框架，能夠?qū)C的殘差連接空間投影到特定流形上，從而恢復(fù)恒等映射特性，并融合嚴(yán)格的基礎(chǔ)設(shè)施優(yōu)化以確保運行效率。
DeepSeek稱，實證實驗表明，mHC能夠有效支持大規(guī)模訓(xùn)練，在提供明顯性能提升的同時具備更優(yōu)的可擴(kuò)展性。DeepSeek預(yù)計，mHC作為HC的一種靈活而實用的拓展，將有助于深化對拓?fù)浼軜?gòu)設(shè)計的理解，并為基座模型的演進(jìn)指明富有前景的方向。
內(nèi)部大規(guī)模訓(xùn)練結(jié)果顯示，mHC可有效支持規(guī)?；?xùn)練，當(dāng)擴(kuò)展率？=4時，僅帶來6.7%的額外時間開銷。
圖為殘差連接范式的示意圖。本圖對比了 （a） 標(biāo)準(zhǔn)殘差連接、（b） 超連接 以及 （c） 流形約束超連接的結(jié)構(gòu)設(shè)計。與無約束的HC不同，mHC通過將連接矩陣投影到一個約束流形上，專注于優(yōu)化殘差連接空間，從而確保訓(xùn)練的穩(wěn)定性。
論文在結(jié)論與展望部分指出，實證結(jié)果表明，mHC能有效恢復(fù)恒等映射特性，相較于傳統(tǒng)HC，能以更優(yōu)的可擴(kuò)展性實現(xiàn)穩(wěn)定的大規(guī)模訓(xùn)練。關(guān)鍵的是，通過高效的基礎(chǔ)設(shè)施級優(yōu)化，mHC以可忽略的計算開銷實現(xiàn)了上述改進(jìn)。
論文還指出，作為HC范式的廣義拓展，mHC為未來研究開辟了多個重要方向：雖然本研究采用雙隨機(jī)矩陣確保穩(wěn)定性，但該框架可兼容針對特定學(xué)習(xí)目標(biāo)設(shè)計的多種流形約束探索；預(yù)計對差異化幾何約束的深入研究可能催生能更好權(quán)衡可塑性—穩(wěn)定性關(guān)系的新方法。此外，DeepSeek希望mHC能重新激發(fā)學(xué)界對宏觀架構(gòu)設(shè)計的關(guān)注。通過深化對拓?fù)浣Y(jié)構(gòu)如何影響優(yōu)化與表征學(xué)習(xí)的理解，mHC將有助于突破現(xiàn)有局限，并可能為下一代基礎(chǔ)架構(gòu)的演進(jìn)指明新路徑。
DeepSeek頻頻上“熱搜”
近期，DeepSeek動作不斷，“熱搜”也不斷。
2025年12月8日
梁文鋒入選《自然》年度十大科學(xué)人物
2025年12月8日，英國《自然》雜志網(wǎng)站發(fā)布2025年度十大科學(xué)人物榜單，中國人工智能企業(yè)深度求索創(chuàng)始人梁文鋒和中國科學(xué)院深?？茖W(xué)家杜夢然入選。
2025年1月，來自中國的一則公告震撼了人工智能界。深度求索公司發(fā)布其強(qiáng)大而低成本的R1推理模型?！蹲匀弧冯s志網(wǎng)站稱，這瞬間證明美國在人工智能領(lǐng)域的發(fā)展并不像許多專家想象的那樣遙遙領(lǐng)先。
2025年12月1日
DeepSeek發(fā)布兩個正式版模型
據(jù)DeepSeek官微，2025年12月1日，DeepSeek發(fā)布兩個正式版模型：DeepSeek-V3.2和DeepSeek-V3.2-Speciale。DeepSeek-V3.2強(qiáng)化Agent能力，官方網(wǎng)頁端、App和API均已更新為正式版DeepSeek-V3.2。Speciale版本目前僅以臨時API服務(wù)形式開放，以供社區(qū)評測與研究。
2025年11月27日
DeepSeek推出新模型
2025年11月27日，DeepSeek推出新型數(shù)學(xué)推理模型DeepSeekMath-V2，采用可自我驗證的訓(xùn)練框架。該模型基于DeepSeek-V3.2-Exp-Base構(gòu)建，通過LLM驗證器自動審查生成的數(shù)學(xué)證明，并利用高難度樣本持續(xù)優(yōu)化性能。
2025年10月20日
DeepSeek開源新模型
2025年10月20日，DeepSeek-AI團(tuán)隊發(fā)布《DeepSeek-OCR：Contexts Optical Compression》論文，提出利用視覺模態(tài)壓縮長文本上下文的新方法。根據(jù)介紹，此次開源的 DeepSeek-OCR 由兩個部分組成：核心編碼器 DeepEncoder 和解碼器 DeepSeek3B-MoE-A570M。在實際生產(chǎn)中，DeepSeek-OCR 可在單塊 A100-40G 顯卡上每天生成超過 20 萬頁的大語言模型 / 視覺語言模型訓(xùn)練數(shù)據(jù)。
2025年9月29日
DeepSeek-V3.2-Exp模型正式發(fā)布
2025年9月29日，深度求索公司發(fā)布了 DeepSeek-V3.2-Exp 模型，其宛如再次向國產(chǎn)芯片江湖投入一枚巨石。
官方公告顯示，新版本模型實驗性地引入了 DeepSeek Sparse Attention（一種稀疏注意力機(jī)制），其顯著降低計算資源消耗并提升推理效率。
而得益于這一技術(shù)創(chuàng)新，深度求索宣布其官方App、網(wǎng)頁端、小程序均已同步更新為新模型，并全面下調(diào)API價格，降幅在50%到75%不等。
值得注意的是，不同于上次發(fā)布 DeepSeek-V3.1版本時“猶抱琵琶半遮面”的狀態(tài)，此次 V3.2 EXP 版本的發(fā)布，幾乎零時差引發(fā)數(shù)個國產(chǎn)芯片廠商——華為、寒武紀(jì)、海光等的“認(rèn)領(lǐng)”。
2025年9月17日
登上《自然》！DeepSeek-R1訓(xùn)練方法發(fā)布
2025年9月17日，由DeepSeek團(tuán)隊共同完成、梁文鋒擔(dān)任通訊作者的DeepSeek-R1推理模型研究論文，登上國際頂級期刊《自然（Nature）》的封面。該期刊編輯部直言：目前幾乎所有主流的大模型都還沒有經(jīng)過獨立同行評審，這一空白“終于被DeepSeek打破”。
DeepSeek-R1包含一個在人類監(jiān)督下的深入訓(xùn)練階段，以優(yōu)化推理過程。梁文鋒團(tuán)隊報告稱，該模型使用了強(qiáng)化學(xué) 習(xí) 而非人類示例來開發(fā)推理步驟，減少了訓(xùn)練成本和復(fù)雜性。DeepSeek-R1在被展示優(yōu)質(zhì)的問題解決案例后，會獲得一個模板來產(chǎn)生推理過程，即這一模型通過解決問題獲得獎勵，從而強(qiáng)化學(xué)習(xí)效果。團(tuán)隊總結(jié)說， 未來研究可以聚焦優(yōu)化獎勵過程，以確保推理和任務(wù)結(jié)果更可靠。
來源：綜合自證券時報、財聯(lián)社、21世紀(jì)經(jīng)濟(jì)報道及公開信息